[ Apport des champs de Markov à la classification des images multispectrales landsat TM, ETM+ et OLI du département de Sinfra (Centre-Ouest de la Côte d'Ivoire) ]
Volume 17, Issue 2, July 2016, Pages 407–423
N'guessan Bi Vami Hermann1, Mahaman Bachir Saley2, Helène BOYOSSORO3, Adama OUATTARA4, Narcisse TALLA5, Janvier FOTSING6, Eric DJAGOUA7, Kouamé Fernand8, Kouadio Affian9, Monica BORDA10, and Emmanuel TONYE11
1 Centre Universitaire de Recherche et d'Application en Télédétection (CURAT), Université de Felix Houphouët Boigny, 22 BP 801 Abidjan 22, Côte d'Ivoire
2 Laboratoire des Sciences et Techniques de l'Eau et de l'Environnement, Université Felix Houphouet Boigny, Abidjan, Côte d'Ivoire
3 Centre Universitaire de Recherche et d’Application en Télédétection (CURAT), Université Felix Houphouët-Boigny, 22 BP 801 Abidjan 22, Côte d'Ivoire
4 Centre Universitaire de Recherche et d’Application en Télédétection (CURAT), Université Felix Houphouët-Boigny, 22 BP 801 Abidjan 22, Côte d'Ivoire
5 Laboratoire d’Electronique et de Traitement de Signal, Université de Yaoundé I, BP 8390 Yaoundé, Cameroon
6 Centre Universitaire de Recherche et d’Application en Télédétection (CURAT), Université Felix Houphouët-Boigny, 22 BP 801 Abidjan 22, Côte d'Ivoire
7 Centre Universitaire de Recherche et d’Application en Télédétection (CURAT), Université Felix Houphouët-Boigny, 22 BP 801 Abidjan 22, Côte d'Ivoire
8 Centre Universitaire de Recherche et d'Application en Télédétection (CURAT), Université de Felix Houphouët Boigny, 22 BP 801 Abidjan 22, Côte d'Ivoire
9 Centre Universitaire de Recherche et d'Application en Télédétection (CURAT), UFR STRM, Université Félix Houphouët-Boigny (UFHB), 22 BP 801 Abidjan 22, Côte d'Ivoire
10 Laboratoire de la théorie de l’information du codage et de la sécurité des données, Université technique de Cluj-Napoca, Romania
11 Laboratoire d’Electronique et de Traitement de Signal, Université de Yaoundé I, BP 8390 Yaoundé, Cameroon
Original language: French
Copyright © 2016 ISSR Journals. This is an open access article distributed under the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.
The aim of this in this research work is to present an innovative approach to classification of satellite images based on Markov Random Field, MRF. Markov models are used both on single-band and multi-band images and have the advantage to take into account the spatial context in the process of the classification of multispectral images. This leds to the integration of interactions between different pixels and to extract the maximum information contained in satellite images including textures. In this research work, the classification by Markov Random Fields was applied respectively on the colored composites of the first three principal components of multispectral images Landsat TM from 1986 ,ETM + from 2003 and OLI from 2014 of the department of Sinfra containing respectively 94,7% , 97,4% et 98,4 % of the information. Markov Random Field correctly discriminate the different classes of land use with a Kappa coefficient higher than 0.8 : 0.86 for TM images, 0.91 for ETM + and 0.9 for OLI images.
Author Keywords: Land use, Markov Random Field, Landsat images, classification, C.
Volume 17, Issue 2, July 2016, Pages 407–423
N'guessan Bi Vami Hermann1, Mahaman Bachir Saley2, Helène BOYOSSORO3, Adama OUATTARA4, Narcisse TALLA5, Janvier FOTSING6, Eric DJAGOUA7, Kouamé Fernand8, Kouadio Affian9, Monica BORDA10, and Emmanuel TONYE11
1 Centre Universitaire de Recherche et d'Application en Télédétection (CURAT), Université de Felix Houphouët Boigny, 22 BP 801 Abidjan 22, Côte d'Ivoire
2 Laboratoire des Sciences et Techniques de l'Eau et de l'Environnement, Université Felix Houphouet Boigny, Abidjan, Côte d'Ivoire
3 Centre Universitaire de Recherche et d’Application en Télédétection (CURAT), Université Felix Houphouët-Boigny, 22 BP 801 Abidjan 22, Côte d'Ivoire
4 Centre Universitaire de Recherche et d’Application en Télédétection (CURAT), Université Felix Houphouët-Boigny, 22 BP 801 Abidjan 22, Côte d'Ivoire
5 Laboratoire d’Electronique et de Traitement de Signal, Université de Yaoundé I, BP 8390 Yaoundé, Cameroon
6 Centre Universitaire de Recherche et d’Application en Télédétection (CURAT), Université Felix Houphouët-Boigny, 22 BP 801 Abidjan 22, Côte d'Ivoire
7 Centre Universitaire de Recherche et d’Application en Télédétection (CURAT), Université Felix Houphouët-Boigny, 22 BP 801 Abidjan 22, Côte d'Ivoire
8 Centre Universitaire de Recherche et d'Application en Télédétection (CURAT), Université de Felix Houphouët Boigny, 22 BP 801 Abidjan 22, Côte d'Ivoire
9 Centre Universitaire de Recherche et d'Application en Télédétection (CURAT), UFR STRM, Université Félix Houphouët-Boigny (UFHB), 22 BP 801 Abidjan 22, Côte d'Ivoire
10 Laboratoire de la théorie de l’information du codage et de la sécurité des données, Université technique de Cluj-Napoca, Romania
11 Laboratoire d’Electronique et de Traitement de Signal, Université de Yaoundé I, BP 8390 Yaoundé, Cameroon
Original language: French
Copyright © 2016 ISSR Journals. This is an open access article distributed under the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.
Abstract
The aim of this in this research work is to present an innovative approach to classification of satellite images based on Markov Random Field, MRF. Markov models are used both on single-band and multi-band images and have the advantage to take into account the spatial context in the process of the classification of multispectral images. This leds to the integration of interactions between different pixels and to extract the maximum information contained in satellite images including textures. In this research work, the classification by Markov Random Fields was applied respectively on the colored composites of the first three principal components of multispectral images Landsat TM from 1986 ,ETM + from 2003 and OLI from 2014 of the department of Sinfra containing respectively 94,7% , 97,4% et 98,4 % of the information. Markov Random Field correctly discriminate the different classes of land use with a Kappa coefficient higher than 0.8 : 0.86 for TM images, 0.91 for ETM + and 0.9 for OLI images.
Author Keywords: Land use, Markov Random Field, Landsat images, classification, C.
Abstract: (french)
L’objectif dans ce travail est de présenter une approche novatrice de classification des images satellitaires basée sur le formalisme markovien (Markov Random Field, MRF). Les modèles de Markov s’appliquent aussi bien sur les images mono-bandes que multi-bandes et ont l’avantage de prendre en compte le contexte spatiale dans les approches de classification des images multi-spectrales. Cela se traduit par l’intégration des interactions entre les différents pixels permettant ainsi d’extraire le maximum d’informations contenues dans les images satellitaires tout en relevant les textures présentes. Dans cette étude, la classification par des champs de Markov a été appliquée respectivement sur les compositions colorées des trois premières composantes principales des images multispectrales Landsat TM de 1986 , ETM+ de 2003 et OLI de 2014 du département de Sinfra, totalisant respectivement 94,7% , 97,4% et 98,4 % des informations. Les champs de Markov utilisés discriminent correctement les différentes classes d’occupations du sol étudiées à travers un coefficient Kappa de 0,86 pour les images TM, 0,91, pour les images ETM+ et 0,9 pour les images OLI.
Author Keywords: occupation du sol, champs de Markov, classification, images Landsat, Côte d’Ivoire.
How to Cite this Article
N'guessan Bi Vami Hermann, Mahaman Bachir Saley, Helène BOYOSSORO, Adama OUATTARA, Narcisse TALLA, Janvier FOTSING, Eric DJAGOUA, Kouamé Fernand, Kouadio Affian, Monica BORDA, and Emmanuel TONYE, “Contribution of Markov Random Field (MRF) to Landsat multispectral TM,ETM+ and OLI images classification, of the department of Sinfra (west-Center of Côte d’Ivoire),” International Journal of Innovation and Applied Studies, vol. 17, no. 2, pp. 407–423, July 2016.
